脳波（EEG）信号を用いた神経学的患者におけるうつ病検出のための解釈可能なディープラーニング

科学分野:

• 神経科学
• 人工知能
• 医療診断

背景:

• うつ病は世界中で2億8000万人以上に影響を与えており、神経学的患者はより高いリスクに直面しています。
• 現在のうつ病診断は主観的な方法に依存しており、一貫した再現性のある臨床評価を妨げています。
• 特に神経学的疾患における薬剤誘発性うつ病については、臨床的判断を補完するための客観的な診断ツールが必要です。

研究 の 目的:

• 脳波（EEG）信号を用いた客観的なうつ病検出のための解釈可能なディープラーニングフレームワークを開発および検証すること。
• 高精度のEEGベースのうつ病分類と、臨床的透明性のための説明可能なAIを組み合わせること。
• 神経学的患者におけるうつ病を示す特定のEEGバイオマーカーを特定すること。

主な方法:

• 232人の神経学的患者のEEGデータでトレーニングされた軽量ディープラーニングモデルを開発しました。
• モデルは、うつ病分類のためにEEG由来の特徴を統合しました。
• モデルの予測を解釈し、主要なバイオマーカーを特定するためにSHAP（SHapley Additive exPlanations）分析を採用しました。

主要な成果:

• ディープラーニングフレームワークは、うつ病検出において98％の分類精度を達成しました。
• SHAP分析により、デルタ/アルファ比やシータバンドパワーなどの有意なEEGバイオマーカーが特定されました。
• モデルは、臨床的解釈可能性を維持しながら高い診断精度を示しました。

結論:

• 提案された解釈可能なディープラーニングフレームワークは、うつ病検出のための透明で正確かつスケーラブルなEEGベースのツールを提供します。
• この客観的なアプローチは、主観的な評価への依存を減らし、メンタルヘルスケアの一貫性を向上させることができます。
• このフレームワークは、既存のEEGインフラストラクチャとの統合と臨床的意思決定の補完により、臨床導入をサポートします。